食道癌是生活中常见的一种恶性肿瘤,严重影响人类身体健康。我国食道癌的发病率排在世界前列,每年有大量的新增食道癌病例。目前,对于食道癌的诊断主要是利用电子胃镜,将观察到的情况反映到荧光屏上,通过荧光屏进行检测。随着病人的增多,医生的工作压力及强度越来越大。因此,本文研究了通过计算机视觉构建目标检测与识别系统的方法,缓解医生的工作压力及强度。随着机器学习,深度学习的兴起,深度卷积神经网络在图像分类和物体检测中逐渐得到广泛应用。本文对基于深度学习的目标检测算法进行了研究,系统研究了Faster RCNN目标检测算法。对于每次随机梯度下降小批量采样,Faster RCNN算法通过设置正负样本参数的比率随机选取样本进行训练。本文通过将在线困难样本挖掘(OHEM)机制引入到Faster RCNN算法中,自动选择正负样本进行训练,从而消除这个比例参数。通过在食道癌图像数据集上进行对比分析,实验结果表明在Faster RCNN算法中引入在线困难样本挖掘机制可以在一定程度上提高检测精度。最后,基于改进的Faster RCNN算法本文在Linux系统上搭建了一个食道癌图像检测系统,能够通过浏览器对待检测图片进行自动识别。